Multi-Modal 3D Object Detection in Autonomous Driving: a Survey（自动驾驶中的多模态3D目标检测综述）论文笔记

原文链接：https://arxiv.org/pdf/2106.12735.pdf

1.引言

1.1 单一传感器3D目标检测

        基于图像的3D目标检测。低费用换来满意的性能。但存在遮挡、高计算成本、易受极端天气影响等问题。

        基于激光雷达的3D目标检测。激光雷达提供更丰富的几何信息，性能比图像好；但其昂贵而笨重、分辨率和刷新率低、有效范围小（远处点极为稀疏）、极端天气下不能工作。

        基于其他传感器的3D目标检测。雷达提供速度、测量距离远、便宜、不受天气影响，但数据集少、稀疏、易受反射影响、难以获得上下文感知信息和形状信息；红外摄像机不易受环境影响、测量距离远、便宜。

1.2 多模态融合的3D目标检测

        多传感器在时间和空间上都是不同步的。时间上，各传感器采样周期不同；空间上，各传感器朝向角度不同。此外，进行多模态融合时，还要考虑其他问题：

（1）多传感器对准和数据对齐；

（2）信息损失：减小计算量时不可避免；

（3）跨模态数据增广：数据增广用于减轻因为训练数据不足引起的过拟合；

（4）数据集和评价指标：目前缺少大型公开、类间平衡、标注准确的多模态数据集；不存在专门评价多模态融合有效性的指标。

2.背景

2.1 摄像机3D目标检测

        摄像机分类：（1）单目相机能反映形状和纹理，有利于车道和路标检测，但缺少深度信息；（2）立体相机有更高的点密度，提供密集深度图；多视角相机提供多个视角的图像和更精确的深度图，但费用和计算量会很高。（3）ToF摄像机通过测量红外线发射-接收时间差来估计深度，精度、价格和计算量都低于立体相机。

        早期使用定向梯度直方图（HOG）或局部二值模式（LBP）来提取特征，后来使用CNN网络。

        三种RGB图像表达方法：

        （1）特征图（激活图）是图像在给定滤波器时各像素的激活值，即卷积层的输出；

        （2）掩膜（mask）：语义分割时使用；

        （3）伪激光雷达：估计深度图后将图像投影到3D空间，按照处理激光雷达的方法处理。点比分辨率最高的激光雷达点云仍高一个数量级，但由于深度估计误差存在长尾问题。

2.2 激光雷达3D目标检测

        激光雷达可获得全方位的环境信息；因其主动性，可以提供更可靠的检测；费用高。

        三种表达：（1）体素：可以用3D CNN处理，但存在信息损失、空体素、3D卷积效率低的问题。（2）点：保留更多信息，但通常计算昂贵。（3）视图：投影到2D平面，使用高效的2D CNN处理。鸟瞰图（BEV）物体无遮挡，物体有尺度不变性，但投影损失信息；range view（RV）是激光雷达的自然表达，无信息损失；密集紧凑性使其适合2D CNN，但没有物体尺度不变性。

        处理方法：

        （1）体素：3D CNN耗时，且不能抓取多尺度局部特征。

VoxelNet抓取有判别力的体素特征来加速；SECOND使用稀疏卷积进一步减少耗时。

体素方法由于其量化误差，性能存在上限。

        （2）点：使用PointNet和PointNet++等方法提取空间几何特征。

PV-RCNN（属于点与体素表达融合方法）使用稀疏卷积和体素SA层学习强力特征。

激光雷达点数多，处理耗时，一般先下采样。

        （3）视图：

PointPillars将3D点云转化为柱体的集合，加速训练。

2.3 雷达3D目标检测

        雷达便宜且对极端天气鲁棒，可以测量速度。小巧轻便、空间分辨率高、抗干扰能力强。

        雷达输出有3种层次：时间-频率谱的原始数据；对原始数据应用聚类算法得到的簇；对簇使用目标跟踪算法得到的轨迹。从前往后数据稀疏性和抽象性依次增加。对原始雷达数据使用2次FFT可以得到距离-角度热图，热图中信号强的位置有物体的概率高。

        相比激光雷达，雷达点云噪声更多、更不精确，所以不能直接用激光雷达处理方法。

2.4 讨论

        激光雷达3D目标检测比图像更精确，但点云缺少对分类重要的纹理信息；距离远时激光雷达密度低。需要多传感器融合。

3.数据集

• KITTI，评价指标mAP。
• nuScenes，评价指标NDS，是mAP和各种误差的加权平均，其中mAP阈值基于边界框的中心误差计算，各种误差包括平移、尺寸、朝向、速度和其他属性的误差。
• Waymo，评价指标APH，类似AP的计算，但考虑了边界框的朝向精度。支持domain adaptation，即从一个domain中学习，然后转移到另一个domain。可以解决昂贵的标注问题。

        目前的3D数据集存在规模小、类间不平衡的问题。

4.多模态3D目标检测网络

        考虑3个融合因素：融合位置（特征融合和决策融合）、融合输入（数据表达）和融合粒度。

4.1 特征融合

        特征融合层次性地融合多模态特征用于预测结果；多模态数据通过各自的特征提取网络得到特征，融合后通过神经网络输出检测结果。

4.1.1 融合输入表达

（1）点云视图&图像特征图：

• MV3D：输入点云BEV、前视图FV以及图像特征图，使用3D提案网络生成3D提案。通过RoI池化操作将不同视图的提案和特征调整为相同大小并整合。
• SCANet：输入BEV到编码-解码提案网络，使用空间-通道注意力抓取不同尺度的空间上下文信息，使用扩展空间上采样恢复空间信息。
• AVOD：裁剪缩放BEV和图像后抓取特征并融合。证明了BEV和图像足以解释3D空间信息。
• FuseSeg：使用RV和点云-图像校准来建立点和像素的关系，利用两个模态的信息检测。

（2） 点云体素&图像特征图：

• Contfuse：将图像特征从前视图（FV）转换到BEV，然后使用连续卷积来融合BEV图像特征和点云体素。
• MVX-Net：将VoxelNet产生的非空体素特征投影到图像，然后使用预训练的网络为被投影体素提取图像特征。然后图像特征与体素特征拼接以获取更精确的3D边界框。该方法有效利用了多模态信息，减小了FP和FN。
• MoCa：通过剪切点云和图像中的物体作为patch，并（无重叠地）粘贴到不同场景中，提升了MVX-Net的性能。
• PointAugmenting：使用预训练的2D检测模型提取逐点CNN特征，装饰相应的点云；此外occlusion-aware的点滤波算法在训练阶段将虚拟物体粘贴到图像和点云中，这也提高了性能。
• 3D-CVF：使用空间attention map来根据每个模态对检测的贡献来加权它们。带注意力的逐体素融合生成了相机-激光雷达的强联合特征，进一步减少了信息损失。但仍存在不可忽视的量化误差。

（3）激光雷达点&图像特征图：

        早期方法使用粗粒度的RoI级融合。这些方法使用2D检测器生成2D区域提案，以减小3D目标检测器的RoI。通常假设一个种子区域只包含一个物体，因此级联网络受限于2D检测器的性能。

• PI-RCNN：迈出了逐点融合的第一步。该方法在点上直接使用连续卷积，并从图像特征图中检索含有更多语义信息的图像特征。
• LI融合层：使用点云特征估计相应图像特征的重要性，减少了遮挡和深度不确定性的影响。但由于相应于每个点的特征都是插值得到的，该方法受限于边缘特征模糊。也许可以使用2D语义分割替代2D特征提取来实现一一对应。

（4）激光雷达点&图像掩膜：

• IPOD：对图像进行语义分割，输出掩膜被投影到3D点云以区分前景和背景点。然后原始点云和前景点云被PointNet++分类和回归。虽然可以直接使用原始点云进行上述操作，但由于级联网络，召回率存在上限。
• PointPainting：逐点融合。将点云投影到图像上，将分割分数附加到原始激光雷达点上。缺点是大量点可能没有图像的相应像素（属于图像的被遮挡区域）。

（5）点云体素&图像掩膜：

• CenterPointV2：使用CenterPoint检测网络。点云被处理为体素，使用逐点融合策略为每个激光雷达点标注图像的实例分割结果（由Cascade RCNN产生）。还使用了翻转和旋转增广，并使用5个模型的集成来得到最终结果。
• HorizonLiDAR3D：改进了AFDet，组合5个激光雷达的点云以充分利用信息。该方法设计了更强的基于体素的网络，并使用密集化和point painting（将点云投影到图像，收集基于图像的感知信息，为点增加额外属性）增强点云。

（6）点云体素&点云视图&图像特征图：

        不同的数据表达有不同的优势，如点云的不同视图有互补的特性。

• 可以使用注意力机制估计各视图的重要性，以实现自适应融合。

（7）点云体素&图像特征图&伪激光雷达：

• MMF：利用多重相关任务进行精确的3D目标检测。提出端到端可学习的结构，进行2D和3D目标检测、地面估计和深度补全。缺点是整个网络复杂而耗时。

4.1.2 融合粒度

        包含RoI、逐体素、逐点和逐像素融合。

（1）RoI融合：

        融合在RoI级别、通过如RoI池化等操作发生。另一操作是利用几何关系，从2D RoI得到3D棱台，然后使用3D检测器来处理棱台。RoI融合通常在提案细化前进行。

        该融合方法粒度粗糙，不适合进行精细的检测（如图像的矩形RoI含有许多背景噪声，融合这些噪声不利于检测）。

（2）逐体素融合：

        通常，体素化的点云数据被投影到图像平面，然后在2D RoI中进行特征提取，并体素级地拼接池化后的图像特征。

        该方法存在“特征模糊”问题，即可能一个点关联多个图像像素或一个像素关联多个点。因此插值通常被用于对齐点云BEV和RGB特征图。

        相比RoI融合，逐体素融合更精细，且可以为空体素整合图像信息。

（3）逐点融合：

        使用已知的校准矩阵将3D点投影到图像上，然后使用预训练的2D CNN，并在点的级别上拼接图像特征或掩膜。该方法不会造成“特征模糊”。

        通过融合图像的高级语义信息和点，可以解决图像和点云分辨率不匹配的问题。

        逐点融合可以有效提高性能，但相比于逐体素融合存储消耗大，且图像和点云高度耦合。

（4）逐像素融合：

        Range图像是旋转激光雷达在2D空间的自然表达，保留了所有信息。可以在2D平面上，将RGB图像与之逐像素地融合。可以使用2D CNN提取特征，然后实现像素之间的特征对齐。

        注意range图像仍比RGB图像的分辨率低。

4.2 决策融合

        决策融合组合各模态结果来产生最终结果。各模态被独立分开处理，然后进行融合。

        决策融合可更好地利用现有模型处理每个模态。缺点是不能利用网络中间层的丰富特征。

• CLOCs：利用2D和3D检测结果中几何和语义的一致性，自动从训练数据中学习概率相关性。该方法将2D和3D提案编码为稀疏张量，并对非空元素使用2D CNN获取预测融合分数。

        与特征融合相比，决策融合的pipeline更简单，无需处理对齐精度和视图差异问题。

4.3 摄像机-激光雷达融合方法总结

        多模态方法在点云相对稀疏时更有用。

4.4 与其余传感器的融合

• 可将雷达检测结果投影到图像平面以促进遥远目标的检测。
• 可以使用雷达检测结果生成3D提案，然后投影到图像平面，联合进行2D目标检测和深度估计。
• CenterFusion：首先使用中心点检测网络在图像上检测目标（通过确定目标中心点实现），然后使用基于棱台的方法关联雷达检测结果与相应的目标中心点。
• RadarNet：使用特征融合方法学习雷达和激光雷达的联合表达，然后决策融合机制用于利用雷达的径向速度。

        多个相同传感器数据的融合也是有用的。但目前多激光雷达融合方法都是简单的拼接点云（如HorizonLiDAR3D），而没有其余特殊处理。

5 开放性挑战和可能的解决方案

5.1 多传感器校准和数据对齐

5.1.1 多传感器校准

        位于不同传感器坐标系中的多传感器数据需要对齐。对于激光雷达和摄像机，可以通过计算一个3D到2D的转换矩阵（基于相机和激光雷达的内外参）来建立前者到后者的映射。

        传统校准方法使用校准目标来推导相机内外参。这种方法繁琐且有误差，且在初始校准后，汽车的振动可能导致误差随时间积累。可以将相机和激光雷达作为整体组装，最大程度地防止二者的相对位移。

        另一方法是在线校准，可在无人干涉的情况下连续地自动校准各传感器。

5.1.2 数据对齐

        激光雷达点位于连续的真实世界坐标系；图像像素位于离散的图像坐标系。激光雷达点与图像像素对齐时，总会存在量化误差。可以使用双线性插值提高性能。

        不同场景下，点云和RGB图像有不同的重要性。例如黑暗条件下更需依赖激光雷达点云，遥远物体的检测更需依赖图像。因此最好的方法是根据场景动态加权，但目前的方法都没有这样做。

5.2 融合时的信息损失

        信息损失主要取决于融合粒度，通常越细粒度的融合信息损失越小。

        为促进融合性能，可以使用神经结构搜索（NAS）来确定神经元数量、层数和其他超参数的值。也可设计损失函数监督融合，例如EPNet中的CE损失用于促进分类分数和IoU的一致性。

5.3 多模态数据增广

        对单一模态常用的数据增广对融合任务同样有效，包括物体剪切和粘贴、随机翻转、缩放、旋转等。但为了实现多模态数据增广，需要建立数据元素（如点和像素）之间的映射。

• 目前的方法中，有同时裁剪图像和点云的真实物体，然后一致地粘贴到其余场景中，防止多模态数据之间的不对准。

5.4 数据集和指标

5.4.1 数据集

        目前的3D数据集存在规模小、类间不平衡、标注错误的问题。

        可以使用弱监督或无监督融合方法来在大型无标签数据集上训练；也可生成合成数据集，但目前的工作均在图像领域，且合成数据集和真实世界的数据集之间存在domain gap。

5.4.2 指标

        现有指标都基于最终检测性能，缺少明确评估多模态融合有效性的指标。需要关注：由融合引入的额外计算；网络鲁棒性（如基于概率的检测质量）以及key performance indicators。